基于改进YOLOv8s的配电设备红外目标检测模型

随着电力巡检技术的发展,利用无人机和红外热成像技术进行巡检逐渐成为电力巡检作业的一个重要模式。针对当前网络模型对配电设备识别准确度低、模型参数量大难以部署的问题,提出一种基于红外图像的配电设备目标检测方法。首先,针对原YOLOv8s模型参数量大、模型复杂的问题,提出在骨干网络和Neck部分将部分传统Conv卷积替换为GhostConv卷积,实现模型轻量化;然后,针对原YOLOv8s模型小目标识别能力差的问题,提出增加小目标检测层,提升小目标检测能力;最后,针对原YOLOv8s模型损失函数不利于普通质量样本预测回归的问题,提出使用Wise-IoUv3损失函数,聚焦训练过程中难以拟合的锚框的预测回归。研究结果表明,改进后模型的精确率达到87%,比原模型提升了4.1个百分点;召回率达到79.1%,比原模型提升了3个百分点;平均精确率均值达到83.5%,比原模型提升了1.5个百分点;推理速度为62ms/张,可有效应用于配电设备的部件检测。

基于深度学习的配电设备红外目标检测模型

针对当前模型,对配电设备在复杂背景下存在识别准确度低的问题,构建了配电设备红外图像数据集,提出了一种基于深度学习的配电设备红外目标检测模型。基于YOLOv8s模型进行改进,在Neck部分将Concat替换为Concat_BiFPN,促进多尺度特征融合;在Neck部分加入上下文聚合模块Context Aggregation,助力小目标检测;使用Wise-IoU v3代替原来的损失函数,聚焦训练过程中难以拟合的锚框的预测回归;最后,在YOLOv8s分类器与回归器部分增加小目标检测层,提升小目标的识别能力。研究结果表明,改进后的模型与原模型相比,准确度、召回率、MAP和F1分数分别提升了4.5%、3%、2.1%和3.7,可有效应用于配电设备的部件检测。